学习到车辆特征，预测框的参数不断调整，最终接近真实框。为了加快收敛速度、提高预测精度，分析图像中车辆的宽高特点，用K-means算法进行聚类，得到与图像中车辆边界最相近的初始候选框参数。
4 红绿灯检测原理
为了减少CPU的计算量，将摄像头的上半视角部分设置为ROI，对ROI进行颜色的检测识别。颜色识别采用HSV空间进行判断。
通过查询相关资料，红色的色调取值范围为0～101和56～180，饱和度范围为43～255，亮度范围为46～255;绿色的色调取值范围为35～77，饱和度范围为43～255，亮度范围为46～255。
设置目标颜色的匹配程度，同时统计红色和绿色的占比，如果红色占比超过20%，则认为是红灯，绿灯也按照此占比进行判断。检测效果如图4所示。
5 测试结果
驾车在不同路段行驶，通过摄像头进行实时检测，共采集到车道线目标4465次，红绿灯102次，车辆5405次，检测识别结果如表1所示。
表1 测试结果
对于车辆的检测，识别准确率能够达到98.68%;对于车道线和红绿灯的识别，略受到光照强度的影响，识别准确率略有降低，但仍在97%以上。
6 结束语
基于计算机视觉的辅助驾驶系统，紧跟现阶段的时代需求，保障驾驶员的日常行车安全。测试结果表明，该系统对目标物体检测识别的准确率达到97%以上，具有实际可行性。
参考文献：
[1]Si-qi ZHAO，Peng LIU，Jie YANG，Song-bin LI. A Fast Vehicle Detection Method for Road Monitoring[P]. 2nd International Conference on Computer， Mechatronics and Electronic Engineering（CMEE 2017），2017.
[2]Ya-li ZHANG，Quan-ge TAN. The Application of Characteristic Point about Moving Object Detection and Tracking Method Based on OpenCV[P]. DEStech Transactions on Computer Science and Engineering，2018.
[3]侯穆.基于OPENCV的运动目标检测与跟踪技术研究[D].西安电子科技大学，2012.
[4]周晓彦，王珂，李凌燕.基于深度学习的目标检测算法综述[J].电子测量技术，2017，40（11）：89-93.